跳转至内容

提升 YOLO11 训练：使用 Comet ML 简化您的日志记录流程

记录关键的训练细节，例如参数、指标、图像预测和模型检查点，在 机器学习 中至关重要——它可以使您的项目保持透明，您的进度可衡量，并且您的结果可重复。



观看： 如何使用 Comet ML 进行 Ultralytics YOLO 模型训练日志和指标 🚀

Ultralytics YOLO11 与 Comet ML 无缝集成，高效地捕获和优化 YOLO11 对象检测 模型训练过程的每个方面。在本指南中，我们将介绍安装过程、Comet ML 设置、实时洞察、自定义日志记录和离线使用，确保您的 YOLO11 训练得到全面记录和微调，以获得出色的结果。

Comet ML

Comet ML 概述

Comet ML 是一个用于跟踪、比较、解释和优化机器学习模型和实验的平台。它允许您在模型训练期间记录指标、参数、媒体等，并通过美观的 Web 界面监控您的实验。Comet ML 帮助数据科学家更快地迭代，提高透明度和可重复性，并有助于开发生产模型。

利用 YOLO11 和 Comet ML 的强大功能

通过将 Ultralytics YOLO11 与 Comet ML 结合使用，您可以获得一系列好处。这些好处包括简化的实验管理、用于快速调整的实时洞察、灵活且定制的日志记录选项，以及在互联网访问受限时离线记录实验的能力。这种集成使您能够做出数据驱动的决策、分析性能指标并取得卓越的成果。

安装

要安装所需的软件包，请运行：

安装

# Install the required packages for YOLO11 and Comet ML
pip install ultralytics comet_ml torch torchvision

配置 Comet ML

安装所需的软件包后，您需要注册、获取 Comet API 密钥 并进行配置。

配置 Comet ML

# Set your Comet Api Key
export COMET_API_KEY=YOUR_API_KEY

然后，您可以初始化您的 Comet 项目。Comet 将自动检测 API 密钥并继续设置。

初始化 Comet 项目

import comet_ml

comet_ml.login(project_name="comet-example-yolo11-coco128")

如果您使用的是 Google Colab notebook，上面的代码将提示您输入 API 密钥以进行初始化。

用法

在深入了解使用说明之前，请务必查看 Ultralytics 提供的 YOLO11 模型系列。这将帮助您为您的项目需求选择最合适的模型。

用法

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo11-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

运行训练代码后，Comet ML 将在您的 Comet 工作区中创建一个实验，以自动跟踪运行情况。然后，您将获得一个链接，以查看您的 YOLO11 模型训练过程的详细日志记录。

Comet 会自动记录以下数据，无需额外配置：指标（如 mAP 和损失）、超参数、模型检查点、交互式混淆矩阵和图像 边界框 预测。

通过 Comet ML 可视化了解您的模型性能

让我们深入了解一下您的 YOLO11 模型开始训练后，您将在 Comet ML 仪表板上看到的内容。仪表板是所有操作发生的地方，通过视觉效果和统计数据呈现一系列自动记录的信息。这是一个快速导览：

实验面板

Comet ML 仪表板的实验面板部分组织并展示了不同的运行及其指标，例如分割掩码损失、类别损失、精确度和平均精度均值。

Comet ML 概述

指标

在指标部分，您还可以选择以表格格式检查指标，该表格格式显示在专用窗格中，如此处所示。

Comet ML 概述

交互式 混淆矩阵

混淆矩阵位于“Confusion Matrix”选项卡中，提供了一种交互式方法来评估模型的分类准确性。它详细说明了正确和不正确的预测，使您能够了解模型的优势和劣势。

Comet ML 概述

系统指标

Comet ML 记录系统指标，以帮助识别训练过程中的任何瓶颈。它包括 GPU 利用率、GPU 内存使用率、CPU 利用率和 RAM 使用率等指标。这些对于监控模型训练期间的资源使用效率至关重要。

Comet ML 概述

自定义 Comet ML 日志记录

Comet ML 提供了通过设置环境变量来自定义其日志记录行为的灵活性。这些配置允许您根据您的特定需求和偏好定制 Comet ML。以下是一些有用的自定义选项：

记录图像预测

您可以控制 Comet ML 在实验期间记录的图像预测数量。默认情况下，Comet ML 会记录验证集中的 100 个图像预测。但是，您可以更改此数字以更好地满足您的要求。例如，要记录 200 个图像预测，请使用以下代码：

import os

os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"

批次日志记录间隔

Comet ML 允许您指定记录图像预测批次的频率。的 COMET_EVAL_BATCH_LOGGING_INTERVAL 环境变量控制此频率。 默认设置为 1，它记录来自每个验证批次的预测。 您可以调整此值以按不同的间隔记录预测。 例如，将其设置为 4 将记录来自每四个批次的预测。

import os

os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"

禁用混淆矩阵日志记录

在某些情况下，您可能不希望在每次验证集之后都记录混淆矩阵 epoch。您可以通过设置以下参数来禁用此功能 COMET_EVAL_LOG_CONFUSION_MATRIX 环境变量设置为“false”。 混淆矩阵将仅在训练完成后记录一次。

import os

os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"

离线日志记录

如果您发现自己处于互联网访问受限的情况下，Comet ML 提供了一个离线日志记录选项。 您可以设置 COMET_MODE 将环境变量设置为“offline”即可启用此功能。您的实验数据将保存在本地目录中，稍后您可以在互联网连接可用时将其上传到 Comet ML。

import os

os.environ["COMET_MODE"] = "offline"

总结

本指南向您介绍了如何将 Comet ML 与 Ultralytics 的 YOLO11 集成。从安装到自定义，您已经学会了如何简化实验管理、获得实时洞察，并根据项目的需求调整日志记录。

查阅 Comet ML 的官方文档，了解更多关于与 YOLO11 集成的见解。

此外，如果您希望更深入地了解 YOLO11 的实际应用，特别是对于图像分割任务，那么这份关于使用 Comet ML 微调 YOLO11的详细指南将为您提供宝贵的见解和逐步指导，以提高模型的性能。

此外，要探索 Ultralytics 的其他令人兴奋的集成，请查看集成指南页面，该页面提供了丰富的资源和信息。

常见问题

如何将 Comet ML 与 Ultralytics YOLO11 集成以进行训练？

要将 Comet ML 与 Ultralytics YOLO11 集成，请按照以下步骤操作：

  1. 安装所需软件包：

    pip install ultralytics comet_ml torch torchvision

  2. 设置您的 Comet API 密钥:

    export COMET_API_KEY=YOUR_API_KEY

  3. 在您的 Python 代码中初始化您的 Comet 项目:

    import comet_ml

comet_ml.login(project_name="comet-example-yolo11-coco128")

  4. 训练您的 YOLO11 模型并记录指标:

    from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo11-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

有关更详细的说明，请参阅 Comet ML 配置部分。

将 Comet ML 与 YOLO11 结合使用有哪些好处？

通过将 Ultralytics YOLO11 与 Comet ML 集成，您可以：

  • 监控实时洞察: 获得有关训练结果的即时反馈，从而可以快速进行调整。
  • 记录大量指标: 自动捕获关键指标，如 mAP、损失、超参数和模型检查点。
  • 离线跟踪实验: 在无法访问互联网时，在本地记录您的训练运行。
  • 比较不同的训练运行: 使用交互式 Comet ML 仪表板来分析和比较多个实验。

通过利用这些功能，您可以优化您的机器学习工作流程，以获得更好的性能和可重复性。有关更多信息，请访问 Comet ML 集成指南。

如何在 YOLO11 训练期间自定义 Comet ML 的日志记录行为？

Comet ML 允许使用环境变量对其日志记录行为进行广泛的自定义：

  • 更改记录的图像预测数量:

    import os

os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"

  • 调整批处理日志记录间隔:

    import os

os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"

  • 禁用混淆矩阵日志记录:

    import os

os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"

有关更多自定义选项，请参阅自定义 Comet ML 日志记录部分。

如何在 Comet ML 上查看 YOLO11 训练的详细指标和可视化效果？

一旦您的 YOLO11 模型开始训练，您就可以在 Comet ML 仪表板上访问各种指标和可视化效果。主要功能包括：

  • 实验面板: 查看不同的运行及其指标，包括分割掩码损失、类别损失和平均精度。
  • 指标: 以表格格式检查指标以进行详细分析。
  • 交互式混淆矩阵：使用交互式混淆矩阵评估分类准确率。
  • 系统指标: 监控 GPU 和 CPU 的利用率、内存使用情况以及其他系统指标。

有关这些功能的详细概述，请访问通过 Comet ML 可视化了解您的模型性能部分。

在训练 YOLO11 模型时，是否可以使用 Comet ML 进行离线日志记录？

是的，您可以通过在 Comet ML 中设置 COMET_MODE 将环境变量设置为“offline”：

import os

os.environ["COMET_MODE"] = "offline"

此功能允许您在本地记录实验数据，稍后可以在互联网连接可用时将其上传到 Comet ML。这在互联网访问受限的环境中特别有用。有关更多详细信息，请参阅Offline Logging部分。



📅 创建于 1 年前 ✏️ 更新于 17 天前
glenn-jocher RizwanMunawar UltralyticsAssistant jk4e MatthewNoyce AyushExel abirami-vina

评论